COMBINING MIXED-COMPOSITION PETROLEUM STREAMS USING PROXY MODELS OF EQUATION OF STATE FOR COMPOSITIONAL INTEGRATED PRODUCTION MANAGEMENT
Notice bibliographique
Résumé
When two distinct offshore reservoirs produce in the same region, the same gathering system for both reservoirs may be used. It is recommended that the gas/oil composition is modeled because its effects can impact reservoir forecasting. An incorrectly-modeled Integrated Production Management (IPM), i.e. one with insufficient data, can impact system management negatively due to the lack of a rigorous compositional modeling impact assessment. To fully study this problem, there need to be a method to model mixed-composition petroleum streams. Most proposed methods to carry this task are Pseudo-Compositional (based on K-values) or are based on Black-Oil models. The objective of this work is to develop a method for mixed-composition petroleum streams to be used in future compositional IPM optimization studies. This paper implements, validates, and discusses the limitations and reproducibility of a mixed-composition petroleum stream. It models a methodology based on an Equation of State (EoS) and PVT data, and combines concepts proposed by Carpio (2012) to automate the process. This work compares the proposed method with two mixing methods from the literature. The three mixing methods studied are based on concepts of tuned EoS and the well-known methods of EoS from Peng-Robinson (1978), and volume translation from Jhaveri-Youngren (1988). The analysis and comparison of the methods are based on conventional data and simulated tuned experiments, when applicable. The results of this study show a small but significant variability of mixed-stream properties from the three proxy methods with the potential to impact optimal reservoir control conditions. Therefore, the deviation potential of mixed-stream models is worth further investigation, thus, justifying a subsequent sensitivity study, with focus on closed-loop IPM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».